论合成数据在重识别中的适用性
计算机视觉与模式识别
2022-12-21 v1 人工智能
机器学习
摘要
本文展示了在重识别背景下，将生成对抗网络（GANs）应用于 EPAL 托盘块图像以增强数据集的可行性。对于许多重识别方法的工业应用而言，在非实验室环境中 otherwise 无法获得足量体积的数据集。使用一种最先进的 GAN 架构，即 CycleGAN，基于先前记录并发布的数据库中已记录的旋转托盘块图像，由视觉居中的托盘块图像生成了其左侧旋转的托盘块图像。在此过程中，托盘块表面结构的独特碎木图案被保留，仅改变了托盘块自身的朝向。由此，以区别于普通数据增强的方式，生成了用于重识别测试与训练目的的合成数据。共计生成了 1,004 张新的托盘块图像。使用在原始图像上训练并应用于合成图像的分类器（视角分类器）来衡量生成图像的质量，比较了两套图像的准确率。原始图像的分类准确率为 98%，合成图像为 92%。此外，生成的图像还被用于一项重识别任务，以基于合成图像重识别原始图像。该场景下合成图像的准确率最高达 88%，而原始图像为 96%。通过此评估，确定了所生成的托盘块图像是否与其原始对应图像高度相似。
引用
@article{arxiv.2212.10105,
title = {On the Applicability of Synthetic Data for Re-Identification},
author = {Jérôme Rutinowski and Bhargav Vankayalapati and Nils Schwenzfeier and Maribel Acosta and Christopher Reining},
journal= {arXiv preprint arXiv:2212.10105},
year = {2022}
}
备注
Accepted as a non-archival paper in AAAI23 workshop AI2SE